Inception v2和Inception v3有什么区别？

本文以回旋不断深入介绍GoogleNet其中包含最初构想模块：

对初始v2的更改是，它们用两个连续的3x3卷积替换了5x5卷积并应用了合并：

Inception v2和Inception v3有什么区别？

在论文Batch Normalization中，Sergey等人，2015年。提出启-V1架构这是一个变体GoogleNet在纸张与卷积去更深，并且在此同时它们引入批标准化到盗（BN-以来）。

与（Szegedy et al。，2014）中描述的网络的主要区别在于，5x5卷积层被两个连续的3x3卷积层（最多具有128个过滤器）取代。

在“ 重新思考计算机视觉的Inception体系结构”一文中，作者提出了Inception-v2和Inception-v3。

在Inception-v2中，他们引入了Factorization（将卷积分解为较小的卷积），并对Inception-v1进行了一些小的更改。

请注意，我们已将传统的7x7卷积分解为三个3x3卷积

对于Inception-v3，它是Inception-v2的变体，其中添加了BN辅助。

BN辅助是指辅助分类器的完全连接层也已标准化的版本，而不仅仅是卷积。我们将模型[Inception-v2 + BN辅助]称为Inception-v3。

除了道利克所说的

初始v2使用可分离卷积作为深度的第一层64

• 功能用法
• 功能定义
• 纸

纸上的报价

我们的模型在第一卷积层上采用了深度乘数为8的可分离卷积。这减少了计算成本，同时增加了训练时的内存消耗。

为什么这很重要？因为它已在v3，v4和Inception Resnet中删除，但后来重新引入并在Mobilenet中大量使用。

答案可以在“通过卷积深入研究”论文中找到：https：//arxiv.org/pdf/1512.00567v3.pdf

检查表3。Inception v2是“用卷积深入研究”中描述的体系结构。Inception v3是具有不同训练算法（RMSprop，标签平滑规则化器，添加具有批处理规范的辅助头以改善训练等）的相同体系结构（较小更改）。

实际上，以上答案似乎是错误的。确实，命名大为混乱。但是，似乎在介绍Inception-v4的论文中已修复该问题（请参阅：“ Inception-v4，Inception-ResNet和残差连接对学习的影响”）：

Inception深度卷积架构在（Szegedy et al。2015a）中作为GoogLeNet引入，在这里称为Inception-v1。后来，通过引入批处理规范化（Ioffe和Szegedy 2015）（Inception-v2），以各种方式完善了Inception架构。后来，在第三次迭代中（Szegedy等人，2015b），通过附加的因式分解思想，在本报告中将其称为Inception-v3。